DeepHit
DeepHit ir dziļo neironu tīklu sistēma (framework) izdzīvošanas analīzei ar konkurējošiem riskiem. Ieviesti Lee et al. 2018. gadā, tie paplašina DeepSurv, lai apstrādātu situācijas, kurās var notikt vairāki savstarpēji izslēdzoši notikumi, piemēram, mirstība no slimības specifisku cēloņu salīdzinājumā ar nāvi citu iemeslu dēļ. DeepHit risina personalizētas riska prognozēšanas izaicinājumu, kad subjekti var piedzīvot dažāda veida terminālus notikumus, kas ir bieži sastopama medicīnas un uzticamības lietojumprogrammās.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Lee, C., Zame, W., Yoon, J., & van der Schaar, M. (2018). DeepHit: A deep learning approach for dynamic survival analysis with competing risks. AAAI Conference on Artificial Intelligence, 32(1), 2314–2321. link ↗
- Fine, J. P., & Gray, R. J. (1999). A proportional hazards model for the subdistribution of a competing risk. Journal of the American Statistical Association, 94(446), 496–509. DOI: 10.1080/01621459.1999.10474144 ↗
- Katzman, J. L., et al. (2018). DeepSurv: Personalized treatment recommender system using a Cox proportional hazards deep neural network. Journal of Machine Learning Research, 40, 40–51. DOI: 10.1186/s12874-018-0482-1 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/lv/survival/deephit
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
Compare side by side →Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →